Kesalahan umum ini mengakibatkan lingkungan backup yang membengkak tanpa kendali dan prioritas pemulihan yang menjadi kabur. Di sinilah tata kelola berperan sebagai kerangka kerja yang memungkinkan organisasi memprioritaskan perlindungan secara akurat. Dengan strategi ketahanan data AI, dataset dapat diklasifikasikan berdasarkan dampaknya terhadap kelangsungan bisnis, sehingga perlindungan dapat disusun secara berlapis.
Beberapa langkah strategis dalam mengelola data meliputi:
Baca Juga :
- Identifikasi data kritikal yang berdampak langsung pada operasional harian.
- Klasifikasi data berdasarkan tingkat sensitivitas dan kepatuhan hukum.
- Penentuan periode retensi yang berbeda untuk data penting dan data pendukung.
- Penerapan enkripsi berlapis untuk data yang tersimpan di cloud maupun on-premise.
Kepatuhan UU PDP dan Konsekuensi Hukum
Menentukan data mana yang benar-benar penting bukan lagi sekadar persoalan teknis di departemen IT. Hal ini sangat bergantung pada komitmen bisnis dan konsekuensi nyata saat terjadi gangguan, seperti sanksi regulasi, kewajiban kontrak, hingga risiko kerusakan reputasi. Konteks ini menjadi semakin relevan di Indonesia seiring dengan penegakan regulasi yang semakin ketat dan dinamis.
Dengan berlakunya Undang-Undang Perlindungan Data Pribadi (UU PDP) pada Oktober 2024, organisasi yang gagal mengelola data dengan baik akan menghadapi konsekuensi hukum yang berat. Denda administratif yang besar serta tuntutan pidana mengintai perusahaan yang abai terhadap keamanan data konsumennya. Dalam hal ini, strategi ketahanan data AI membantu perusahaan menyelaraskan kebijakan IT dengan risiko hukum yang ada.
Ketika organisasi memandang ketahanan data dari perspektif tata kelola, maka strategi perlindungan bukan lagi sekadar pengaturan default dalam sistem IT. Keputusan terkait retensi dan proteksi menjadi keputusan bisnis yang disengaja, terukur, dan mampu melindungi nilai perusahaan dalam jangka panjang. Langkah ini juga mencegah perusahaan membayar harga yang mahal akibat kegagalan sistem yang sebenarnya bisa diantisipasi.
Menghapus Beban Data ROT untuk Efisiensi Maksimal
Banyak organisasi terjebak dalam kebiasaan menyimpan dan mencadangkan semua data "untuk berjaga-jaga" tanpa skala prioritas. Dalam jangka panjang, pendekatan ini justru menumpuk volume data dalam jumlah besar namun memiliki nilai operasional yang sangat rendah. Fenomena ini sering disebut sebagai akumulasi data "sampah" yang justru membebani infrastruktur perusahaan.
Riset dari IDC 2025 Survey Spotlight menunjukkan fakta mengejutkan bahwa 64% organisasi belum efektif dalam mengidentifikasi, mengelola, dan menghapus data yang bersifat Redundant, Obsolete, and Trivial (ROT). Meskipun tidak memiliki nilai bisnis, data-data ini tetap memakan ruang penyimpanan dan biaya pencadangan yang besar. Hal ini tentu bertentangan dengan prinsip efisiensi dalam strategi ketahanan data AI yang modern.
Perusahaan harus mulai berani melakukan kurasi data secara berkala untuk memastikan hanya informasi berkualitas yang masuk ke dalam model AI mereka. Data yang buruk tidak hanya meningkatkan biaya penyimpanan, tetapi juga merusak akurasi hasil pemrosesan AI di tingkat lanjut. Dengan membersihkan data ROT, perusahaan dapat menghemat anggaran infrastruktur secara signifikan sekaligus mempercepat proses pemulihan data saat terjadi bencana siber.
